城市河湖作为人类水源的直接来源，是社会经济可持续发展的重要基础。由于我国人口迅速增长，工业化、城镇化进程快速推进，大量氮、磷等营养性物质排入水中，导致河湖水体富营养化程度日益严重，水华已经成为普遍的、危害很大的水环境问题。环境监测信息智能处理方法与水华智能预测系统研究项目属于智能信息科学与环境科学交叉领域课题，重点研究水环境监测信息智能处理方法，通过建立描述水华形成机理模型和水华智能预测模型，进而有效地预测水华发生，对最大限度地保护和利用环境用水，促进水环境保护和技术进步具有重要意义。

　　水环境建模与水质评价方法

　　湖库蓝藻水华形成机理研究

　　由于蓝藻水华形成是诸多营养及环境因素相互作用的结果，因此，课题组对城市湖库蓝藻水华形成这一复杂生态过程进行了综合建模研究。通过在阳光房中模拟湖库蓝藻水华形成过程，采用正交实验分析获得蓝藻生长的关键影响因素，并为蓝藻水华形成机理建模提供相应参量。在此基础上，构建了用于模拟湖库蓝藻水华形成过程的蓝藻生长机理模型，采用遗传算法对机理模型中涉及的参数进行优化率定；同时，考虑蓝藻水华暴发阶段具有突变特性，建立了描述蓝藻水华暴发状态的尖点突变模型，进而构建了城市湖库蓝藻水华形成各阶段的综合机理模型。采用进化算法对数学机理模型涉及的参数进行优化率定，在一定程度上克服了已有模型难以描述水华形成过程中存在的非线性问题，提高了蓝藻水华形成机理模型精度，为研究其他藻类水华形成机理问题提供了有益参考。为湖库蓝藻水华形成机理的深入研究提供了新思路。

　　将智能进化方法引入到机理建模中

　　在对城市湖库蓝藻水华形成过程深入分析的基础上，针对内陆城市湖库水体特点，通过阳光房模拟城市湖库蓝藻水华形成的整个过程，结合正交试验方法和粗糙集理论获取影响城市湖库蓝藻水华形成的关键因子，作为蓝藻水华形成机理建模的输入参量，以叶绿素ａ作为城市湖库蓝藻水华形成的表征指标，根据相互之间的作用机制构建了适合于描述城市湖库蓝藻水华形成过程的机理模型。将智能进化方法引入到机理建模中，通过改进的粒子群优化算法对机理模型中涉及的参数如蓝藻最大生长率、蓝藻最大死亡率以及净损失率等进行非线性优化率定，以解决传统机理模型中各参数间非线性关系难以描述的问题，较好地模拟了蓝藻生长变化趋势，提高了城市湖库蓝藻水华形成机理模型的适用性及有效性。

　　水体富营养化评价指标体系研究

　　通过建立评价指标权重优化模型，提高了指标权重的客观性。采用多属性决策理论对水体富营养化评价进行建模研究；同时考虑到水文传感器在监测水质状况时存在的不稳定性及采集数据的不完整性，将模糊理论引入到评价模型中，并采用优化理论建立了获取评价指标权重的分配模型，提高了获取指标权重的客观性。该方法根据实测数据特征建立的评价指标的权重优化分配模型，提高了评价指标权重获取的客观性、有效性。在此基础上建立的基于模糊—多属性决策方法的水体富营养化的综合评价模型，可对多个水域的水体富营养化状况进行实时、有效地综合评价，为水环境治理提供有效依据。在对湖库水体富营养化形成机理深入分析的基础上，将灰色理论引入到水体富营养化预测中。

　　确定影响水华暴发的关键因子

　　湖库藻类水华暴发是多因素综合作用的结果，其形成机理相当复杂。在实验室阳光房进行了藻类水华暴发的模拟实验，采用粗糙集理论对影响藻类生长的重要因子进行分析，通过突变判别确定影响水华暴发的关键因子；在此基础上，构建了以叶绿素a为势函数，溶解氧、温度和光照为状态变量和控制变量的描述藻类水华暴发阶段的尖点突变模型，以描述藻类水华暴发特性。藻类水华暴发是在承受压力超出水生态系统资源再生能力和承载能力时，生态系统出现突然、巨大的稳态转换（灾变）而引起的，属于一种突变现象。针对这一特征，本项目在用粗糙集理论对藻类水华形成关键影响因素深入分析的基础上，采用突变理论中的尖点模型构建了藻类水华暴发的机理模型，为湖库藻类水华暴发的深入研究拓展了思路。

　　水华智能预测方法

　　确定水华预测指标

　　藻类水华影响因素主要分为物理、化学和生物学指标。透明度是最常用的物理因素；总氮和总磷这两个因素能正确反映出水体的生物生产力潜在水平，对藻类水华的判断及防治起到较好的指示作用，可以应用水体中生物群落内的某些优势种群作生物因素。为了确定藻类水华的主要影响因素，按照主成分分析的基本思想，通过将主成分分析算法分成五步，采用主成分分析方法对各个因素进行分析，确定贡献较大的作为仿真模型的二次变量。

　　水华短期预测方法

　　鉴于水华发生的复杂性及对其机理的认识，目前常用的预测方法主要依据水华影响因子的变化判断其是否发生，这是一个模式识别过程。由于生态系统各因子之间表现出高度的非线性和不确定性，因而传统的方法难以实现真正有效的预测。在深入研究水华形成机理的基础上，通过化工正交实验分析和粗糙集理论，确定水华预测指标，叶绿素作为表征水华产生的指标，提出了基于神经网络的水华预测模型。

　　水华中期预测方法

　　为了提高湖库水华中短期预测精度，本项目提出最小二乘支持向量机LSSVM水华中期预测模型。最小二乘支持向量机改进了支持向量机的算法，所需样本少，预测周期长，泛化能力强，预测精度高，可以更好地预测叶绿素的中长期变化规律，为水华的较长周期预测提供了一种有效的方法。由于小波分析具有良好的时、频多分辨率功能,小波变换通过尺度伸缩和平移对信号多尺度分解,有效地从信号中提取所需的信息，因此将小波分析与人工神经网络进行耦合，组合成小波人工神经网络组合模型对水华进行预测。

　　水华及相关因素预测方法

　　多元时间序列的建模和预测则不仅考虑了时间序列历史数据对未来的影响，更多的考虑到多元协方差和相关系数在建模过程中的重要作用，比一元时间序列建模和预测更具备应用潜力，是一种适于描述和预测在多种特征因素作用下水华形成随机过程的方法。因此采用多元时序分析方法，对水华形成的特征因素多元时序建模，从而进行水华预测为一种有效途径。

　　水华应急处理决策方法

　　水华治理决策指标体系构建

　　指标体系的构建是否合理、科学是藻类水华应急治理决策模型建立的关键。因此，指标体系的构建必须科学地、合理地、客观地、全面地反映关于水华应急治理的所有因素。由于水华治理决策是一个复杂问题，涉及的因素诸多。采用主成分分析法研究多因素之间的相关性，以及对决策结果的影响程度，进而确定藻类水华治理决策的多指标体系。

　　湖库藻类水华应急决策方法

　　基于多属性理论的湖库藻类水华应急决策方法主要流程如图1所示。

　　环境成本多目标决策模型建立方法

　　以环境影响和经济成本作为目标考虑决策问题，首先要弄清楚问题的范围、所包含的因素、因素间的关联和隶属关系，以及最终要达到的目标。核心是把决策问题层次化，层次结构通常分为三层：目标层、方案层和属性层。其结构如图2所示。

　　北京工商大学研发的这个系统已成功应用于北京北海、玉渊潭、圆明园，太湖流域及苏州河湖水域，并取得了明显的社会效益及经济效益。对城市湖泊水质具有重要意义，为治理和保护水环境提供了有效的理论依据和实际应用系统。对水华形成机理深入研究及水华应急治理优化决策模型探讨具有很大的促进作用。

　　作者单位：北京工商大学